Mostrar el registro sencillo del ítem

dc.contributor.advisorMancilla Herrera, Alfonso Manuel
dc.contributor.authorCárcamo Morales, Luis Manuel
dc.contributor.authorOsorio Iriarte, Fabián Hernando
dc.contributor.authorVillegas García, Johnny De Jesus
dc.date.accessioned2020-11-30T18:22:22Z
dc.date.available2020-11-30T18:22:22Z
dc.date.issued2020-11-29
dc.identifier.urihttp://hdl.handle.net/10584/9273
dc.description.abstractEn este artículo, desarrollamos un enfoque de aprendizaje automático de modelos apilados para la clasificación de arritmias utilizando la base de datos de arritmias MIT-BIH y aplicando diferentes filtros y métodos de reducción de ruido. Realizamos la extracción de características mediante el uso de características relacionadas con los intervalos RR y la transformada wavelet. Nuestro modelo utilizando tanto análisis de discriminantes lineales como redes neuronales. Este enfoque muestra una precisión del 89% en promedio. Encontrados valores de sensitividad de 93%, 94%, 97% y 98% para cada una de las clases y unos valores de especifidad de 81%, 89%, 85% y 85% para cada una de las clases. La arquitectura lógica del proyecto está cimentada en los diferentes servicios de Amazon Web Services (AWS), que nos ofrece escalabilidad dependiendo de la demanda que requiera el modelo. Usando EC2 de AWS para desplegar las APIs encargadas de suplir la información obtenida del modelo. Además, usamos una single page application hecha con Vue Js conectada a estas APIs y desplegada en un S3 bucket de AWS para mostrar la información.es_ES
dc.description.abstractIn this paper, we develop a stacked models machine learning approach for arrhythmia classification using the MIT-BIH arrhythmia database and applying different filters and noise-reduction methods. We perform the feature extraction by using RR intervals-related features and the wavelet transform. Our model uses both linear discriminant analysis and multilayer perceptrons. This approach shows an average accuracy of 89%. Sensitivity values of 93%, 94%, 97% and 98% were found for each of the classes and specificity values of 81%, 89%, 85% and 85% for each of the classes. The logical architecture of the project is based on the different services of Amazon Web Services (AWS), which offers us scalability according to the demand that the model requires. Using AWS EC2 to deploy the APIs in charge of supplying the information obtained from the model. In addition, we use a single page application made with Vue Js connected to these APIs and deployed in an AWS S3 bucket to display the information.en_US
dc.language.isospaes_ES
dc.publisherBarranquilla, Universidad del Norte, 2020es_ES
dc.rightsUniversidad del Nortees_ES
dc.subjectecgsen_US
dc.subjectdata miningen_US
dc.subjectwavelet transformen_US
dc.subjectarrythmiaen_US
dc.subjectlinear discriminant analysisen_US
dc.subjectsignals processingen_US
dc.subjectelectrocardiogramaes_ES
dc.subjectminería de datoses_ES
dc.subjectarritmiaes_ES
dc.titleDiseño de aplicación prototipo para la detección y clasificación de arritmia usando métodos de machine learning a partir de ECGses_ES
dc.typearticlees_ES
dc.rights.accessRightsopenAccesses_ES


Ficheros en el ítem

Thumbnail
Thumbnail
Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem